4. 回放验证的基本框架：输入-过程-输出框架、关键假设、基准设定、回放窗口选择

回放验证（Back-Testing Validation）是精算模型效果评估的核心环节，其本质是将模型“回放”到历史数据中，检验模型输出与实际观测值的一致性。一个严谨的回放验证框架必须明确界定输入、过程与输出三要素，并在此基础上设定关键假设、选择合理的基准与回放窗口。

4.1 输入-过程-输出（IPO）框架

IPO框架将回放验证分解为三个逻辑阶段，确保验证过程可追溯、可复现。下表总结了各阶段的核心内容与典型产物：

4.2 关键假设的识别与分类

回放验证的有效性高度依赖于对模型关键假设的显式识别。假设可分为三类，每类对验证结果的影响不同：

• 结构性假设：模型函数形式、分布选择（如泊松 vs 负二项）、变量交互项。这类假设错误通常导致系统性偏差。
• 参数假设：费率因子、损失发展因子、折现率。参数假设的敏感性可通过应力测试评估。
• 环境假设：经济通胀率、监管政策变化、巨灾发生频率。环境假设在回放中通常被“冻结”，以隔离模型自身表现。

4.3 基准设定（Benchmarking）

基准是衡量模型回放效果的参照系。没有基准，A/E比率或残差分析就失去了比较意义。常见的基准设定方式包括：

4.4 回放窗口选择

回放窗口（Back-Testing Window）决定了模型在哪个历史时间段内接受检验。窗口选择直接影响验证结论的稳健性。下表对比了三种主流窗口策略：

4.5 框架整合：从输入到决策

完整的回放验证框架将上述要素整合为一个闭环流程。以下伪代码展示了IPO框架在编程实现中的核心逻辑：

def backtest_validation(model, data, assumptions, window_config):
    # 1. 输入阶段：数据切分与假设冻结
    train_data, test_data = split_by_window(data, window_config)
    frozen_assumptions = freeze_assumptions(assumptions, window_config)
    
    # 2. 过程阶段：模型回放执行
    predictions = model.predict(test_data, frozen_assumptions)
    
    # 3. 输出阶段：偏差计算与诊断
    ae_ratio = calculate_ae(test_data.actual, predictions)
    residuals = test_data.actual - predictions
    diagnostics = {
        'ae_ratio': ae_ratio,
        'rmse': np.sqrt(np.mean(residuals**2)),
        'mae': np.mean(np.abs(residuals)),
        'residual_autocorr': acf(residuals, nlags=12)
    }
    
    # 4. 基准对比
    benchmark_pred = benchmark_model.predict(test_data)
    benchmark_ae = calculate_ae(test_data.actual, benchmark_pred)
    
    return diagnostics, benchmark_ae